Evaluating the recovery of beach-dune systems from the 2016 El Niño using unmanned aerial systems (UAS) and terrestrial laser scanning (TLS)
Notice bibliographique
Résumé
This paper compares and contrasts UAS-based Structure from Motion (SfM) and TLS survey methods as applied to evaluate the impacts of, and recovery from, the extreme El Niño 2015-16 on the seasonal geomorphic and sediment budget responses of an embayed, high-energy beach-dune system on the central coast of British Columbia, Canada. TLS and UAS mapping campaigns over a two-year period provided seasonal bare-earth digital terrain models (DTMs) and orthophoto mosaics. Spatial-temporal change detection methods were used to quantify volumes of significant erosion and deposition within the beach-dune system. The frequency and magnitude of erosive events and aeolian activity were also estimated from oblique, time-lapse photography. During the 2015-16 El Niño season, elevated water levels and storm waves eroded the foredune and lowered the beach surface by ~ 1m. Erosion was greatest in the middle of the beach with dune scarping of over 2m where wave energy was focused. Minor accretion occurred during the summer of 2016 on the upper beach, and ramp rebuilding was observed mostly from slumping and avalanching of existing dune sands. The following winter 2017 storm season led to minor erosion on the beach and extensive incipient dune development and sand ramp recovery fronting the foredune to an extent close to pre-El Niño elevations. Comparison of change surfaces between methods revealed limitations in the SfM method, namely due to vegetation effects on DTM generation, which limit its ability to detect change in the coastal environment. The costs, time, logistics, and accuracy for both SfM and TLS survey methodologies for coastal geomorphic change detection analysis is also evaluated. Combined, the UAS and SfM workflow provides a competitive solution to more expensive and time-consuming survey methods, such as TLS and aerial LiDAR, but its utility and accuracy is highly dependent on research objectives and post-processing techniques.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».